目录
-
介绍
Spark SQL是Spark用来处理结构化数据的一个模块。
Spark SQL还提供了多种使用方式,包括DataFrames API和Datasets API。但无论是哪种API或者是编程语言,它们都是基于同样的执行引擎,因此你可以在不同的API之间随意切换,它们各有各的特点。
官网:http://spark.apache.org/sql/
-
特点
易整合
可以使用java、scala、python、R等语言的API操作。
统一的数据访问
连接到任何数据源的方式相同。
兼容Hive
支持hiveHQL的语法。
兼容hive(元数据库、SQL语法、UDF、序列化、反序列化机制)
标准的数据连接
可以使用行业标准的JDBC或ODBC连接
-
SQL优缺点
SQL的优点
表达非常清晰,难度低,易学习。
SQL的缺点
复杂分析 SQL嵌套较多:试想一下3层嵌套的 SQL维护起来应该挺力不从心的吧
机器学习较难:试想一下如果使用SQL来实现机器学习算法也挺为难的吧
-
Hive和SparkSQL
Hive是将SQL转为MapReduce
SparkSQL可以理解成是将SQL解析成'RDD'优化再执行
-
DataFrame
DataFrame是一种以RDD为基础的带有Schema元信息的分布式数据集,类似于传统数据库的二维表格
-
DataSet
1.DataSet是保存了更多的描述信息,类型信息的分布式数据集。
2.与RDD相比,保存了更多的描述信息,概念上等同于关系型数据库中的二维表。
3.与DataFrame相比,保存了类型信息,是强类型的,提供了编译时类型检查,调用Dataset的方法先会生成逻辑计划,然后被spark的优化器进行优化,最终生成物理计划,然后提交到集群中运行!
DataSet包含了DataFrame的功能,Spark2.0中两者统一,DataFrame表示为DataSet[Row],即DataSet的子集。DataFrame其实就是Dateset[Row]
-
RDD&DataFrame&DataSet的区别
RDD[Person]:以Person为类型参数,但不了解 其内部结构。
DataFrame:提供了详细的结构信息schema列的名称和类型。这样看起来就像一张表了
DataSet[Person]:不光有schema信息,还有类型信息